贝叶斯与频率论：机器学习的实际差异

机器算法验证 机器学习 贝叶斯 造型 常客
2022-04-08 16:23:03

我知道贝叶斯方法和频率论方法在概率的定义上有所不同。

实际上，在机器学习中，模型是具有可调参数的公式。

那么贝叶斯和常客的区别是：

假设参数在常客设置中是固定数字，并且参数在贝叶斯设置中具有自己的分布。

我在这里遗漏了什么或者有什么被误解了吗？

我不是在问理论论点，而是频率论与贝叶斯 wrt 机器学习模型及其优化/拟合的实际表现。

1个回答

一旦你安装了模型，它就会是它的样子，所以我认为差异在此之前。也就是说，贝叶斯方法和频率方法之间的模型/参数拟合不同。更具体地说，拟合的贝叶斯参数将包含数据之外的其他信息。如果您知道参数可能是什么（并且您没有错），那可能会提高模型的性能。即使您事先使用“无信息”，您通常会发现拟合的贝叶斯参数会在某种程度上缩小到0相对于拟合的Frequentist参数。

其它你可能感兴趣的问题
上一篇自协方差、自相关和自相关系数 下一篇这是蒙特卡洛模拟吗？